Joe Rose, presidente da JBS Dev, explica como empresas estão avançando em projetos de IA generativa e agentica usando dados reais, sem esperar por limpeza perfeita. A abordagem está mudando o jogo na automação de processos.
Muitos líderes ainda acreditam que precisam de anos de preparação de dados antes de implementar IA. A realidade é diferente. Ferramentas atuais lidam bem com informações bagunçadas e incompletas.
Empresas já extraem valor prático hoje, combinando automação com supervisão humana. O foco migrou da capacidade dos modelos para a sustentabilidade de custos e implementação real.
Por que dados ruins não são mais um obstáculo
A qualidade dos dados sempre foi um gargalo em projetos de tecnologia. Com modelos de linguagem grandes, essa barreira diminui significativamente. Um prompt simples consegue extrair sentido de textos mal formatados, PDFs e até imagens.
Joe Rose cita um caso real no setor de saúde. A empresa precisava migrar registros de faturamento entre sistemas. Os dados estavam misturados: nomes de médicos apareciam no campo de pacientes, procedimentos em campos errados, documentos em PDF ou imagem.
Mesmo assim, a IA conseguiu:
- Fazer OCR em imagens
- Extrair texto de PDFs
- Comparar registros com contratos de seguro
O resultado não foi 100% perfeito desde o início. Começou com 20% de automação e evoluiu gradualmente para 60% e 80%, sempre com humanos validando as etapas críticas.
O caminho da automação gradual
Empresas que tentam implementar IA em grande escala de uma vez costumam frustrar. A estratégia vencedora é construir camadas de uso progressivas.
Vantagens da abordagem incremental:
- Reduz riscos de erros graves
- Permite aprendizado contínuo da equipe
- Gera resultados rápidos que justificam investimento
- Facilita ajustes conforme o negócio evolui
Essa mentalidade contrasta com o antigo modelo de sistemas tradicionais, onde se construía tudo, testava e esquecia. Sistemas de IA exigem monitoramento constante porque seu comportamento pode variar.
O último quilômetro da IA: do hype para a realidade sustentável
O setor viveu anos de saltos impressionantes em capacidade dos modelos. Agora, a conversa está mudando para custos operacionais e portabilidade.
Rose prevê que discussões futuras vão girar em torno de duas perguntas principais:
- Como tornar o uso de IA mais barato e sustentável?
- Como rodar modelos em dispositivos comuns, como laptops e celulares?
Os modelos atuais já foram treinados com grande parte do conhecimento disponível na internet. Novos ganhos radicais de performance por meio de mais dados serão mais difíceis. O diferencial virá da eficiência.
Como começar sem depender de fornecedores caros
Muitas empresas já possuem presença em nuvem com os principais provedores. Rose recomenda aproveitar essas estruturas existentes antes de comprar novas soluções SaaS.
Passos iniciais recomendados para implementar workloads agenticos:
- Utilizar ferramentas nativas de cloud (AWS, Azure ou Google Cloud)
- Começar com casos simples de extração e classificação de dados
- Implementar supervisão humana nas saídas críticas
- Medir ganhos de automação em porcentagem ao longo do tempo
- Expandir para casos mais complexos conforme confiança aumenta
Essa abordagem evita novas licenças de software e reduz a curva de treinamento das equipes.
Desafios que ainda merecem atenção
Mesmo com avanços, alguns pontos exigem cuidado. A imprevisibilidade dos modelos exige guardrails fortes. Saídas ruins precisam ser identificadas rapidamente.
Setores regulados, como saúde e finanças, devem manter humanos no loop para decisões importantes. A IA funciona como ferramenta de suporte que acelera o trabalho, não como substituta completa.
Outro aspecto importante é a portabilidade. Rodar modelos localmente continua sendo um desafio técnico, mas representa o próximo grande passo para redução de custos.
O futuro da IA nas empresas
O sucesso não virá de modelos cada vez maiores, mas de aplicações práticas que resolvem problemas reais com dados que as empresas já possuem.
Empresas que adotarem essa visão prática vão se posicionar melhor. Em vez de esperar dados perfeitos, elas estão usando o que têm para gerar valor agora.
A combinação de IA generativa com supervisão humana e automação gradual está provando ser mais eficaz que projetos grandiosos de transformação digital.
